尽管他们的名字，人工智能技术及其组件系统，如人工神经网络，与真正的脑科学没有多大关系。我是生物工程和神经科学的教授，有兴趣了解大脑如何作为一个系统工作 - 以及我们如何利用这些知识来设计和设计新的机器学习模型。近几十年来，大脑研究人员已经大量了解了大脑中的物理连接以及神经系统如何路由信息并对其进行处理。但仍有大量尚待发现。

与此同时，计算机算法，软件和硬件的进步使机器学习达到了以前无法想象的成就水平。我和该领域的其他研究人员，包括其中的一些领导者，越来越感觉到了解大脑如何处理信息可以帮助程序员将思维的概念从潮湿和湿软的生物世界转化为全新的形式数字世界中的机器学习。

大脑不是机器

“机器学习”是通常被称为“人工智能”的技术的一部分。机器学习系统在非常大的数据集中找到复杂和微妙的模式比人类更好。

这些系统似乎无处不在 - 自动驾驶汽车，面部识别软件，金融欺诈检测，机器人技术，帮助医疗诊断和其他地方。但在引擎盖下，它们实际上只是基于单一统计算法的变体。

人工神经网络是机器学习最常用的主流方法，是高度互联的数字处理器网络，它接受输入，处理有关这些输入的测量并生成输出。他们需要了解各种输入应该产生什么样的输出，直到他们开发出以类似方式响应类似模式的能力。

如果你想要一台机器学习系统显示文字“这是一头牛”，当它显示一头牛的照片时，你首先必须从各个角度给它提供大量不同类型的奶牛的不同照片因此，它可以调整其内部连接，以响应每个人的“这是一头牛”。如果你向这个系统显示一张猫的照片，它只会知道它不是一头牛 - 并且无法说出它实际上是什么。

但这不是大脑的学习方式，也不是它如何处理信息来理解世界。相反，大脑会输入非常少量的输入数据 - 比如牛的照片和牛的图画。很快，只有极少数的例子，即使是幼儿也会掌握牛的样子，并能够从不同的角度和不同的颜色中识别新的图像。

但是机器也不是大脑

因为大脑和机器学习系统使用根本不同的算法，每个算法都以其他方式失败的方式擅长。例如，即使输入中存在噪声和不确定性 - 或者在不可预测的变化条件下，大脑也可以有效地处理信息。

你可以看一张撕裂和皱巴巴的纸上的颗粒状照片，描绘一种你以前从未见过的那种牛，并且仍然认为“那是一头牛。”同样，你经常看一下有关情况的部分信息，并做出预测和决定。你所知道的，尽管你不知道。

同样重要的是大脑能够从身体问题中恢复，重新配置其连接以在受伤或中风后适应。大脑非常令人印象深刻，患有严重疾病的患者可以将大脑的一半移除并恢复正常的认知和身体功能。现在想象一下计算机在移除一半电路的情况下的效果如何。

同样令人印象深刻的是大脑进行推理和推断的能力，这是创造力和想象力的关键。考虑一下母牛在木星上翻转汉堡的想法，同时解决其头部的量子引力问题。我们都没有任何类似的经历，但是由于我们的大脑，我能想出它并有效地与你沟通。

然而，也许最令人惊讶的是，大脑使用与运行昏暗灯泡大致相同的功率来完成所有这些工作。

结合神经科学和机器学习

除了发现大脑如何工作之外，还不清楚哪些大脑过程可能作为机器学习算法或如何进行翻译。解决所有可能性的一种方法是专注于同时推进两项研究工作的想法，既可以改善机器学习，也可以识别神经科学的新领域。从脑科学到人工智能，课程可以双向进行 - 人工智能研究强调了生物神经科学家的新问题。

神经元可以以非常复杂的形状生长。该图像归功于Juan Gaertner。

例如，在我自己的实验室里，我们开发了一种思考个体神经元如何对其整体网络做出贡献的方法。每个神经元仅与其连接的其他特定神经元交换信息。它没有关于其他神经元的内容，或者它们发送或接收的信号的总体概念。无论网络多么广泛，每个神经元都是如此，因此局部相互作用共同影响整体的活动。

事实证明，描述这些相互作用层的数学同样适用于真实大脑中的人工神经网络和生物神经网络。因此，我们正在开发一种全新的机器学习形式，可以在没有经过高级适应性和高效学习的高级培训的情况下即时学习。

此外，我们使用这些想法和数学来探究为什么生物神经元的形状如此扭曲和曲折。我们发现他们可以开发这些形状以最大化传递消息的效率，遵循我们用于构建人工学习系统的相同计算规则。这不是我们对神经生物学的一次机会发现：我们一直在寻找这种关系，因为数学告诉我们。

采取类似的方法也可以告知研究当大脑成为神经和神经发育障碍的牺牲品时会发生什么。专注于AI和神经科学共享的原则和数学可以帮助推进对这两个领域的研究，实现计算机的新水平和对自然大脑的理解。

资金来源：Gabriel A. Silva目前获得微软，劳伦斯利弗莫尔国家实验室和整体研究与教育基金会的资助。过去他实验室的资金来自美国国立卫生研究院，国防部和其他机构。